gs4_deauth()
df <- read_sheet(
"https://docs.google.com/spreadsheets/d/1eWwPK8G89G6nWTDzWimcCa8EOWqval8RPvwykZmfGoI/edit?gid=803820517#gid=803820517",
sheet = "CopieThomas"
)
#Factor l'Âge dans le bon ordre :
df <- df %>%
mutate(`3_Age` = factor(`3_Age`,
levels = c("Entre 30 et 39 ans",
"Entre 40 et 49 ans",
"Entre 50 et 59 ans",
"Entre 60 et 69 ans",
"Plus de 70 ans")))
#Factor la durée d'installation dans le bon ordre
df <- df %>%
mutate(`6_Duree_d_installation` = factor(`6_Duree_d_installation`,
levels = c("Moins de 5 ans",
"Entre 5 et 9 ans",
"Entre 10 et 19 ans",
"Plus de 20 ans")))
#Factor les types d'activité dans le bon ordre
df <- df %>%
mutate(`7_Type_d_activite` = factor(`7_Type_d_activite`,
levels = c("Exclusivement libéral en cabinet",
"Essentiellement libéral avec activité universitaire",
"Essentiellement libéral avec activité de régulation/PDSA",
"Mixte (libéral + hospitalière)",
"Autre")))
1_Connaissance_MCS_binaireReprésentation en camembert :
9_Ressenti_delai_SMURAUTRES : représentés par :
“Pas ou peu d’urgences vraies. Pour la semi urgence, on a toujours réussi à se dépatouiller : amélioration de l’état clinique par les médicaments sur place ou récupérés à la pharma en urgence par la famille ou alors transport hospitalier ””rapide”” 0 médicalisé par la famille. Par contre en cas d’urgence réelle, je pressens que l’équation pourrait être problématique.”
“Il y a un cabinet qui gère les urgences à 50 mètres du mien”
“Délai de prise en charge fortement modulé selon l’utilisation de l’hélicoptère ou 0, intérêt+++ de la télé médecine au sein du CH de Cilaos”
“les délais sont longs mais la perception dépend de l’urgence”
9_Ressenti_delai_SMUR2 colonnes incluses :
`9_Ressenti_delai_SMUR``
`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur``
cols_to_include2 <- c(
"9_Ressenti_delai_SMUR",
"10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur"
)
#Ordonner les facteurs pour lisibilité
df <- df %>%
mutate(`9_Ressenti_delai_SMUR` = factor(`9_Ressenti_delai_SMUR`,
levels = c("Délai ok",
"Plutôt bien mais parfois gêné",
"Délai trop long, en difficulté",
"Autre")))
df <- df %>%
mutate(`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur` = factor(`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur`,
levels = c("non, pas du tout","Plutôt non","Plutôt oui","oui, tout à fait")))
table2 <- df %>%
tbl_summary(
include = all_of(cols_to_include2), # colonnes à inclure
statistic = list(
all_categorical() ~ "{n} ({p}%)" # n (%) pour les variables catégorielles
),
label = list(
`9_Ressenti_delai_SMUR` = "Ressenti sur le délai d'intervention du SMUR",
`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur` = "Perte de chance dans votre secteur liée au délai d'intervention"
),
missing = "no" # ne pas inclure les valeurs manquantes dans le tableau
) %>%
modify_header(label = "**Caractéristiques**") %>% # modifier l'en-tête de la colonne des labels
bold_labels() # mettre en gras les labels des variables
table2
| Caractéristiques | N = 541 |
|---|---|
| Ressenti sur le délai d'intervention du SMUR | |
| Délai ok | 12 (22%) |
| Plutôt bien mais parfois gêné | 32 (59%) |
| Délai trop long, en difficulté | 5 (9.3%) |
| Autre | 5 (9.3%) |
| Perte de chance dans votre secteur liée au délai d'intervention | |
| non, pas du tout | 3 (5.6%) |
| Plutôt non | 18 (33%) |
| Plutôt oui | 29 (54%) |
| oui, tout à fait | 4 (7.4%) |
| 1 n (%) | |
slices <- table(df$`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur_binaire`)
labels <- c("Non", "Oui")
pct <- round(slices / sum(slices) * 100)
labels <- paste(labels, pct) # Ajoute les pourcentages aux labels
labels <- paste(labels, "%", sep = "") # Ajoute le symbole %
pie(slices,
main = "Perte de chance binaire liée au délai d'intervention",
col = c("lightcoral", "lightgreen"),
labels = labels
)
11_Reseau_MCS_pertinent_pour_La_Reunion
#### Camembert
11_Reseau_MCS_pertinent_pour_La_Reunion12_Dernieres_formations_d_urgenceVisualisation du rapport entre l’Âge ()df\(`3_Age` et le délai depuis la dernière formation
aux soins d'urgence
(df\)12_Dernieres_formations_d_urgence)
Autres visualisations pour monsieur
13_Cabinet_adapte_aux_urgences14_Interet_pour_formation_complementaire_en_urgence15_Si_+_forme_aux_urgences:_incitation_à_devenir_MCS16_Materiel_adapte_à_l’urgence_:_incitation_à_devenir_MCSVariables :
df$18_Freins_[Charge_de_travail_supplementaire]
df$18_Freins_[Manque_de_formation_en_urgence]
df$18_Freins_[Contraintes_administratives_ou_organisationnelles]
library(tidyverse)
| Caractéristiques | N = 541 |
|---|---|
| Connaissance du réseau MCS | 4 (7.4%) |
| Sexe (Homme) | 29 (54%) |
| Âge | |
| Entre 30 et 39 ans | 17 (31%) |
| Entre 40 et 49 ans | 17 (31%) |
| Entre 50 et 59 ans | 6 (11%) |
| Entre 60 et 69 ans | 12 (22%) |
| Plus de 70 ans | 2 (3.7%) |
| Durée d'installation (années) | |
| Moins de 5 ans | 21 (39%) |
| Entre 5 et 9 ans | 6 (11%) |
| Entre 10 et 19 ans | 11 (20%) |
| Plus de 20 ans | 16 (30%) |
| Type d'activité | |
| Exclusivement libéral en cabinet | 44 (81%) |
| Essentiellement libéral avec activité universitaire | 3 (5.6%) |
| Essentiellement libéral avec activité de régulation/PDSA | 2 (3.7%) |
| Mixte (libéral + hospitalière) | 2 (3.7%) |
| Autre | 3 (5.6%) |
| Consultations avec rendez-vous | 25 (46%) |
| Consultations sans rendez-vous | 48 (89%) |
| Visites | 39 (72%) |
| Autres consultations | 2 (3.7%) |
| 1 n (%) | |
CJP : recodé en df$CJP codé “1”
Utiliser le recodage binaire pour interprétation plus facile :
connaissance <-
df$1_Connaissance_MCS_binaire
age <- df$`3_Age_inf_50a
sexe <- df$2_Sexe_Homme
profession_isolee <-
df$4_Profession_isolee
duree_installation <-
df$6_Duree_d_installation_inf_10ans
activite_autre <-
df$7_Activite_autre_que_liberal_exclusif
ressenti_delai <-
df$9_Ressenti_delai_SMUR_genee_YN
perte_chance <-
df$10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur_binaire
| Caractéristiques | Intéressé par MCS N = 241 |
Non intéressé par MCS N = 301 |
p-value2 |
|---|---|---|---|
| Connaissance du dispositif MCS | 3 (13%) | 1 (3.3%) | 0.3 |
| Âge inférieur à 50 ans | 17 (71%) | 17 (57%) | 0.3 |
| Sexe (Homme) | 15 (63%) | 14 (47%) | 0.2 |
| Durée d'installation inférieure à 10 ans | 12 (50%) | 15 (50%) | >0.9 |
| Activité autre que libéral exclusif | 6 (25%) | 4 (13%) | 0.3 |
| Consultations avec rendez-vous | 8 (33%) | 17 (57%) | 0.088 |
| Consultations sans rendez-vous | 21 (88%) | 27 (90%) | >0.9 |
| Visites | 19 (79%) | 20 (67%) | 0.3 |
| Autres consultations | 2 (8.3%) | 0 (0%) | 0.2 |
| Ressenti du délai d'intervention du SMUR gêné | 20 (83%) | 17 (57%) | 0.036 |
| Perte de chance liée au délai d'intervention (binaire) | 18 (75%) | 15 (50%) | 0.061 |
| Dernière formation aux soins d'urgence < 5 ans (binaire) | 11 (46%) | 10 (33%) | 0.3 |
| Cabinet adapté aux urgences (binaire) | 14 (58%) | 10 (33%) | 0.066 |
| Intérêt pour une formation complémentaire en urgence (binaire) | 24 (100%) | 17 (57%) | <0.001 |
| 1 n (%) | |||
| 2 Fisher’s exact test; Pearson’s Chi-squared test | |||
Je trouve ce tableau interessant !
Les médecins interssés par être MCS sont significativement :
Plus gêné par le délai d’intervention du SMUR (p < 0.029)
Ont un cabinet + adapté aux urgences p < 0.05)
Sont + intéressés par une formation complémentaire en urgence (p < 0.001)
Et d’autres trucs mais regarde
Ce tableau est top mais ne permet pas vraiment de QUANTIFIER à quel point ces facteurs sont associés à l’intérêt pour devenir MCS.
*# Analyse univariée sur facteurs associés à l’intérêt pour devenir MCS (CJP)
Principe de l’analyse univariée : on compare les caractéristiques des médecins selon leur intérêt (oui/non) pour devenir médecin correspondant du SAMU dans le cadre du dispositif MCS.
Variable d’intérêt : df$CJP (intérêt pour devenir
MCS)
Interprétation :de l’analyse :
Pour chaque variable, on compare la répartition entre les médecins intéressés et non intéressés.
Les p-values indiquent si les différences observées sont statistiquement significatives.
Cela permet d’identifier les facteurs potentiellement associés à l’intérêt pour devenir MCS.
Différence avec une multivariée :
L’analyse univariée examine chaque variable indépendamment, tandis que la multivariée ajuste pour plusieurs variables simultanément.
La multivariée permet d’identifier les facteurs indépendamment associés à l’intérêt pour devenir MCS, en tenant compte des interactions entre variables.
Les résultats peuvent différer entre les deux analyses en raison de la prise en compte des confounders dans la multivariée.
L’univariée est souvent une étape préliminaire avant la multivariée pour sélectionner les variables à inclure.
En résumé, l’univariée identifie des associations potentielles, tandis que la multivariée évalue les associations indépendantes.